Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resumen
En este artı́culo se propone una metodologı́a de construcción de modelos hı́bri-
dos para la localización de fallas en sistemas de distribución de energı́a eléctri-
ca, la cual permitirá a las empresas distribuidoras mejorar sus ı́ndices de cali-
dad referentes a la continuidad del suministro de energı́a (ı́ndices DES y FES).
El modelo hı́brido planteado dentro de la metodologı́a esta conformado por
una técnica basada en el conocimiento (técnica LAMDA) y otra basada en el
modelo (algoritmo de Ratan Das). La técnica LAMDA es una técnica basa-
da en inteligencia artificial que hereda caracterı́sticas de la lógica difusa y las
1
Trabajo desarrollado por el Grupo de Investigación en Sistemas de Energı́a Eléctrica
(GISEL), Universidad Industrial de Santander (UIS) y patrocinado por el Instituto Colom-
biano para el Desarrollo de la Ciencia y la Tecnologı́a Francisco José de Caldas (Colciencias)
e Interconexión Eléctrica S.A. (ISA).
2
M.Sc., vbarrera@colciencias.gov.co/uis.edu.co, Asesor Programa Nacional de Investiga-
ciones en Energı́a y Minerı́a, Colciencias, Asistente de Investigación GISEL.
3
Ph.D., jjmora@utp.edu.co, profesor auxiliar, Departamento de Ingenierı́a Eléctrica, Uni-
versidad Tecnológica de Pereira.
4
Ph.D., gilberto@uis.edu.co, profesor titular laureado, Escuela de Ingenierı́a Eléctrica,
Universidad Industrial de Santander.
5
Ph.D., gaby@uis.edu.co, profesor titular, Escuela de Ingenierı́a Eléctrica, Universidad
Industrial de Santander.
Abstract
This paper proposes a methodology to build hybrid models to fault location
in power distribution systems, this methodology will allow to the utilities im-
prove their quality indexes corresponding energy service continuity (DES and
FES indexes). The hybrid model in methodology is composed by a technique
based on knowledge (LAMDA tecnique) and other based on model (Ratan Das
algorithm). The LAMDA technique is a technique based on artificial intelli-
gence inheriting characteristics of the fuzzy logic and neural networks. The
Rantan Das algorithm, is fault location algorithm that estimate the fault lo-
cation from voltage and current phasors in the moment of fault and moreover
some electric parameters of the distribution system. The novel thing of the
methodology is centred in which with the implementation of the hybrid model
is improved the precision in the estimation of the fault location, due to that
is reduced the multiple estimation of the fault location algorithm by the tech-
nique based on knowledge. Finally, are presented the results obtained in test
realized with a distribution circuit of 24 kV and length 60 km, approximately.
1 Introducción
X2:C1 L
x1 Xn: C1
X1:C2
x2 X2:C2 L MAX
X Clase
asignada
Objeto Xn : C2
xn X1:Cn
X2 : Cn L
Xn : Cn
4 Descripción de la metodologı́a
4 5 Parametros
Extraccion de Obtencion de de la red
descriptores fasores
6 1
Tipo 7
LAMDA
RATAN DAS
(Zona de falla)
de falla
8
*
1** Ubicacion
de la falla
Son las señales de tensión y corriente de cada una de las fases (va(t), vb(t),
vc(t), ia(t), ib(t), ic(t)). Estas señales son obtenidas en el instante de la falla
por los dispositivos de protección y registro que se encuentran en la cabecera
de los circuitos.
En este bloque se realiza el cálculo del valor eficaz tanto de las señales de
tensión como de corriente; esta estimación se realiza mediante el empleo de
una ventana deslizante de 128 muestras, que se actualiza a cada muestra
[20]. Luego de la adecuación de las señales, éstas se utilizan para realizar los
procesos de los bloques 4 y 5.
En este paso se calculan los descriptores que caracterizan las señales proce-
sadas por el bloque 3. En la figura (3) se hace una representación gráfica
de algunos de los descriptores utilizados. La definición de cada uno de los
descriptores es [18], [19] y [21]:
1,1
1,0
0,9
Vrms(t)[p.u]
0,8 Magnitud
manofasica
Pendiente de
Ha, Hb, Hc
caida
0,7
PCa, PCb, PCc
0,6
2%
0,5
0,4
20 30 40 50 60 70 80 90 100
Tiempo [ms]
Ha, Hb, Hc Profundidad de tensión por fase [p.u]. Ver la figura (3)
Ia, Ib, Ic Elevación de corriente por fase [p.u]
PCa, PCb, PCc Pendiente de caı́da por fase. Ver la figura (3)
maxH Máxima profundidad de tensión monofásica [p.u]
maxI Máxima profundidad de corriente monofásica [p.u]
minPC Mı́nima pendiente de caı́da monofásica
H̄ Media de las tres profundidades monofásicas [p.u]
I¯ Media de las tres corrientes de monofásicas [p.u]
P¯C Media de las tres pendientes de caı́da monofásica
σH Desviación estándar de las tres profundidades monofásicas
σI Desviación estándar de las tres corrientes monofásicas
σP C Desviación estándar de las tres pendientes de caı́da monofásicas.
5 Ejemplo de aplicación
1 2 4 5 6 7 8
G M
A A ABC B B C
3
13 9
17 15 10 11
16 14 12
Los grupos de descriptores 5, 10, 12, 19 y 26 dan las proyecciones con los
mejores ı́ndices de proyección (ppi); el máximo ı́ndice se obtiene con el grupo
26. Los valores numéricos ppi son respectivamente 4,92; 4,42; 3,88; 4,32; 9,13.
En la misma tabla se observa que los grupos de descriptores que dan las
mejores estructuras son los que tienen presentes los descriptores de tensión.
En la figura (5) se presenta la distribución de las fallas vistas desde el plano
de proyección encontrado para el grupo de descriptores número 26.
2,0
1
2
3
1,5 4
5 Rombos
6
7
8
1,0 9
10
11
12
Rombos 13
0,5 14 Rombos
15
16
* 17
0
Rombos
-0,5
Cuadrados,
asteriscos
-1,0
-5 -4 -3 -2 -1 0 1
*
0,2 11
12
13
14
0,1 15
16
17
0 C
B
-0,1
-0,2
-0,3
0,4 0,3 0,2 0,1 0 -0,1 -0,2 -0,3 -0,4
Primera Componente
25Ω y 50Ω). Finalmente, se puede concluir que las dos primeras componentes
principales de los datos de fallas monofásicas para los descriptores del grupo
No. 26 permiten discriminar la fase que interviene en una determinada falla
monofásica.
De la misma manera, si se observa la distribución de los datos sobre la
primera y tercera componente principal como se muestra en la figuras (7) y
(8), se nota que las fallas presentan con respecto a su distribución el mismo
comportamiento descrito en la figura (5), pero con la diferencia que las fallas
se encuentra mucho menos dispersas o más concentrados.
0,8
5
0,05
0,7
10
0,6
1
Tercera componente
2
0,5 3
4
5
0,4
25 6
7
8
9
0,3 10
11
12
50 13
0,2 14
15
Fallas 16
0,1 traslapadas 17
Cuadrados y asteriscos
0
-0,4 -0,3 -0,2 -0,1 0 0,1 0,2 0,3 0,4
Primera componente
La diferencia entre los dos gráficos (figura 7 y figura 8) radica en los va-
lores de resistencias de falla que se tuvieron presentes para el cálculo de las
componentes. En la figura (7) se visualizan las componentes principales de los
datos de fallas monofásicas para resistencias de falla 0,05Ω a 50Ω, mientras
que en la figura (8) de 0,05Ω a 10Ω. En la figura (7) se identifica que los va-
lores de resistencias de falla mayores o iguales a 25Ω son resistencias de falla
relativamente altas, debido a que las fallas de 25Ω y 50Ω producidas en la pri-
mera sección (rombos), se confunden o traslapan con las fallas producidas en
las secciones mas distantes del alimentador del sistema de energı́a (cuadrados
0,8
0.05 5
0,7
10
0,6 1
2
Tercera componente
3
4
0,5 5
6
No hay presencia de 7
fallas traslapadas 8
9
0,4 10
11
12
13
0,3 14
Cuadrados 15
y asteriscos 16
17
0,2
-
0,1
-0,4 -0,3 -0,2 -0,1 0 0,1 0,2 0,3 0,4
Primera componente
-0.4
Secciones 3 a 8 1
2
-0.5 3
4
5
-0.6 6
7
8
-0.7
Tercera componente
-0.8
-0.9
Circulos y puntos
-1.0
-1.1
-1.2
-1.3
-1.4
-0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6
Primera componente
-0,005
-0,010
-0,015
Tercera componente
1
Circulos y puntos 2
-0,020
3
secciones 3 a 8 4
-0,025 5
6
-0,030 7
8
-0,035
-0,040
-0,045
-0,050
0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
Primera componente
18
17
16
15
GAD[p.u] y clase asignada
1
14 2
3
13 4
5
12 6
11 7 Clase
8 11
10 9
9 10
11
8 12
7 13
14
6 15
5 16
17
4 Secciones
3 3, 4, 5
2
1
0
0 50 100 150 200 250
Observacion
1
7 2
3
4
Gad [p.u] y clase asignada
6 5
6
7
5 8
0
0 20 40 60 80 100 120 140 160 180 200
Observaci n
1 3
G M
2
4
5
6
(a)
1 3
G M
2
(b)
Figura 13: Zonas de falla: (a) Monofásicas (b) Bifásica, bifásica a tierra, trifásica,
trifásica a tierra
7
6
Seccion asignada
5
4
3
2
1
0
1,0
0,8 1
2
3
GAD[p.u]
0,6 4
5
6
0,4
0,2
0
0 20 40 60 80 100 120 140 160 180 200
Observacion
Seccion asignada
3
0
1,0
1
0,8 2
3
GAD[p.u]
0,6
0,4
0,2
0
0 50 100 150
Observacion
6 Trabajo futuro
7 Conclusión
Seccion asignada
3
1,0
1
0,8 2
GAD[p.u]
3
0,6
0,4
0,2
0
0 5 10 15 20 25 30 35 40 45 50
Observacion
Agradecimientos
Referencias
[5] Juan Mora F., Joaquı́m Meléndez F. y Gilberto Carrillo C. Una Arquitectura
Genérica para el Desarrollo de Sistemas Hı́bridos. Propuesta de localizador de
fallas para mejorar los ı́ndices de calidad. III Simposio Internacional Calidad de
la Energı́a Eléctrica (SICEL), Bogotá, Colombia, 16–18 de noviembre de 2005.
[6] F. Santos y R. Vieira. Sistemas Hı́bridos Inteligentes. XIX Congreso de Inteligen-
cia Artificial, Rı́o de Janeiro, julio de 1999.
[7] Florentino F. Riverola y Juan M. Corchado. Sistemas hı́bridos neuro–simbólicos:
una revisión. Inteligencia Artificial, Revista Iberoamericana de Inteligencia Arti-
ficial, ISSN 1137–3601, 11, 12–26 (2000), AEPIA. Departamento de Informática,
Universidad de Vigo.
[8] L. R. Medsker. Hybrid Intelligent Systems. Kluwer Academic Publishers, 1995.
[9] Juan Corchado. Neuro-Symbolic model for real-time forecasting problems. Ph.D.
Thesis. Department of Computing and Information Systems, University of Pais-
ley, United Kingdom, 1999.
[10] D. Aha and Daniels Jody. Case-Based Reasoning Integrations. Papers from the
1998 Workshop. AAAI Press, 1998.
[11] B. Lees. Hybrid Case-Based Reasoning Systems. Workshop 4, Proceedings of the
Workshop at ICCBR’99, University of Kaiserslautern, 1999.
[12] S. Anand, A. Aamodt and D. Aha. Automating the Construction of Case Based
Reasoners. IJCAI ’99. WorkShop ML–5. Stockholm, Sweden, 1999.
[13] Josefina Barrera C. Modelado de procesos biológicos mediante técnicas de inte-
ligencia artificial . Avance y Perspectiva, 21, Departamento de Biotecnologı́a y
Bioingenierı́a del Cinvestav, septiembre–octubre de 2002.
[14] Marı́a Requejo L., Ernesto González R. y Raúl Medina S. Análisis y mejoras
en la evaluación de diversos términos de los modelos de evolución de playas en
escalas de medio plazo. Tesis de Grado. Universidad de Cantabria, 2005.
[15] Oriol Jorba C. y José Baldasano R. Simulación de los campos de viento de la
Penı́nsula Ibérica y el área geográfica de Catalunya con alta resolución espacial
para distintas situaciones meteorológicas tı́picas. Tesis de Grado. Universitat Po-
litècnica de Catalunya, 2005.
[16] J. Aguilar and N. López. The process of classification and learning the meaning
of linguistic descriptors of concepts. Approximate Reasoning in Decision Analysis,
N. Holland, 165–175 (1982).
[17] J. Waissman, M. Aguilar and B. Dahhou. Construction d’un Modele Comporte-
mental pour la Supervision de Procedes: Application a une Station de Traitement
des Eaux. Thèse, Institut national Polytechnique de Toulouse, France, 2000.